AI Engineer Europe 2026 · 演講 · 2026-05-28 · 17 分
Context Graph 讓 agent 學會做決策
Context Graphs for Explainable, Decision-Aware AI Agents · Andreas Kollegger、Zaid Zaim，Neo4j
Neo4j 的 Zaid 先說明為何除了知識，agent 還需要規則與政策，同事 ABK 接著拆解一套讓 agent 在不確定時做決定、必要時上報的流程。
概要
- 從知識走向決策Zaid 認為 context graph 仍屬於 context engineering，但除了知識，還要給 agent 規則與政策，讓它不只知道能做什麼，也知道為什麼要做。
- 三種記憶放進同一張圖短期記憶記對話與狀態歷程，長期記憶記組織、人物等泛化資訊，推理記憶記 agent 為何依預先定好的政策與規則去做某件事。
- 決策是自主 agent 的常態ABK 指出，agent 遇到沒被交代過的情境時就得自己做決定，agent 數量一多、各管一塊，問題只會更大。
- 先框定問題，再套全域脈絡流程先看這個決定的目標、怎麼走到這一步、所處環境，再對照過去的做法與硬性、軟性規則。
- 風險與價值分開評估風險那邊要花最多時間，包括決定能不能撤回、答錯的代價；價值那邊要講清楚到底在最大化什麼、或最小化什麼。
- 提案、決定、上報分給不同角色產出選項與利弊的 agent 不負責選擇；下一個 agent 看自己有沒有授權，沒有就上報給人或權限更高的 agent，最後把整個推理過程存回圖裡當先例。
原話
▶ 03:04“we are still within the sphere of context engineering when we talk about context graph”
談 context graph 時，我們仍然在 context engineering 的範圍內；這句是 Zaid 說的
▶ 13:49“the output of this stage is actually not making a decision”
這個階段的產出其實不是做出決定；這句是 ABK 說的
▶ 14:37“either act or don't act, let somebody else make the call”
要嘛行動，要嘛不行動、讓別人來決定；這句是 ABK 說的
▶ 15:11“that all gets saved into the graph along with the decision itself and the actions that were taken”
這一切都會連同決定本身與採取的行動一起存進圖裡；這句是 ABK 說的
▶ 15:33“the particulars of every step end up being very domain specific”
每一步的細節最後都很依領域而定；這句是 ABK 說的
延伸
- 硬性與軟性規則的來源，ABK 說可能正式寫在業務流程語言裡，也可能只是 Slack 頻道或 Google Docs 裡的非正式指引。
- 價值那一側 ABK 舉的例子：別把錢都花在 Red Bull 上，因為你正在存錢度假或買房；agent 必須明確知道自己在最大化什麼、或最小化什麼。
章節
點時碼直接跳到原片的那一段。
- 開場Zaid 向現場開發者問候，說明這是 Neo4j 的第二場 context graph 演講，主題是讓 agent 更能意識到決策。
- 用圖補上知識缺口Zaid 說現在的挑戰是用知識圖譜替 agent 補上缺的那塊知識，agent 本來就擅長語言、推理與創意。
- 三種記憶短期記憶記使用者與 agent 的對話，長期記憶記組織、人物與事物，再加上讓 agent 做出正確決定的推理記憶。
- 為什麼要 context graphZaid 認為 context graph 仍在 context engineering 範圍內，差別是多給 agent 規則與政策，從「能做什麼」走向「為什麼要做」。
- 組織就是一張圖以組織從財務、產品到供應商的圖為例，並提到 Steve 稍早演講裡的貸款資格判斷，說明他們正和客戶一起處理「為什麼」這個問題。
- 記憶圖與 GraphRAG 流程說明記憶圖的短期、長期與推理三塊，並帶過 agent 先查自己的知識、沒有就轉去圖資料庫，用 text-to-Cypher 之類的工具回答。
- 換手：為何在乎決策ABK 接手，用 OpenClaw 這類自主 agent 為例，說明 agent 走到設定裡沒涵蓋的地方時必須自己做決定，例如負責補 Red Bull 的 agent 不知道房租快要繳了。
- 從一個 agent 到多個ABK 說一個 agent 會變成多個各有專長、必須互相協作的 agent，規模越大越需要有條理的決策框架。
- 框定問題流程從局部脈絡開始：怎麼走到這一步、這次決策的目標，以及所處的環境，從訂飲料到醫療差很多。
- 全域脈絡：先例與規則接著對照過去在類似情況怎麼做，以及業務上的硬性與軟性規則，兩者要保持平衡，先例也可能有理由被推翻。
- 風險與價值分析做經典的風險價值分析，風險那邊 agent 應花最多時間，越嚴重的事越要花時間。
- 醫療例子與 reference class以開藥為例，同一種藥 99% 的人適合、對另一個 1% 可能致命，所以要先弄清楚自己屬於哪一群，再看決定可不可撤回、答錯的代價。
- 提案、行動與上報這一段的產出不是決定而是帶利弊的選項；接手的 agent 看自己有沒有授權，有就排序並執行，沒有就上報給人或權限更高的 agent。
- 自我學習決定做完、或因不確定而暫緩之後，把推理過程連同決定與行動存回圖，讓後來的 agent 有先例可查。
- 收尾與提醒ABK 說可以用 LangGraph、ADK 或自寫 skills 實作，但每一步的細節都很依領域而定，難以通用，並徵求還沒涵蓋到的領域。
名詞
- Neo4j
- Zaid 與 ABK 任職的圖資料庫公司，這場講的是用圖替 agent 補上知識與決策依據
- context graph
- 在知識之外，再把規則、政策與決策過程放進圖，讓 agent 知道為什麼要做某件事
- memory graph
- 把短期、長期與推理三種記憶放在一起的圖
- reasoning memory
- 記錄 agent 依預先定好的政策與規則為何做某個任務的那一塊記憶
- Agentic GraphRAG
- 使用者提問後，agent 先查自己的知識，沒有就到圖資料庫去查再回答的做法
- text-to-Cypher
- 把人類語句轉成 Neo4j 查詢語言的工具
- reference class validation
- 做重大決定前，先確認對當事人而言什麼最重要、自己屬於哪一類群體
- human in the loop
- 決策被上報時，由人（或權限更高的 agent）介入的子流程
- LangGraph
- ABK 舉例可以拿來實作這套決策流程的框架
